BioTool：面向生物医学领域的大语言模型工具调用数据集

ACL 2026 接收论文，包含7040条高质量生物医学工具调用数据，覆盖127个NCBI/UniProt/Ensembl工具，并开源微调后的Qwen3-4B基线模型。

• 原作者/维护者: gxx27
• 来源平台: GitHub
• 原始标题: BioTool: A Comprehensive Tool-Calling Dataset for Enhancing Biomedical Capabilities of Large Language Models
• 原始链接: https://github.com/gxx27/BioTool
• 论文链接: https://arxiv.org/abs/2605.05758
• 发布时间: 2026年6月
• 会议: ACL 2026

---

大语言模型（LLM）在通用领域展现出强大的工具调用能力，但在生物医学等专业领域的应用仍面临挑战。生物医学研究依赖大量专业数据库，如NCBI、UniProt和Ensembl，这些数据库提供丰富的API接口用于检索基因、蛋白质、疾病等信息。然而，现有LLM缺乏针对这些专业工具的训练数据，导致在生物医学场景下的工具调用准确率和可靠性不足。

BioTool项目应运而生，旨在填补这一空白，为生物医学领域提供首个大规模、高质量的工具调用数据集。

---

BioTool数据集包含7,040条精心标注的（查询、函数调用、观察结果）三元组，覆盖127个生物医学工具，横跨三大核心数据库：

数据库	工具数量	主要功能
NCBI	多个	E-utilities（einfo、esearch、esummary、efetch等）、BLAST序列比对
UniProt	14+	蛋白质序列查询、疾病关联、亚细胞定位、文献引用等
Ensembl	16+	基因组比对、变异注释、表型注释、比较基因组学等

每条记录包含用户查询、对应的函数调用参数以及API返回的观察结果：

{
  "user_query": "Which UniProt protein entries correspond to the TP53 gene?",
  "function_calling": {
    "name": "stream_uniprotkb",
    "arguments": {
      "query": "gene:TP53",
      "fields": "cc_ptm,sequence",
      "sort": "gene desc"
    }
  },
  "observation": {
    "total_results": 25,
    "examples": [...]
  },
  "database": "uniprot",
  "tool": "uniprotkb"
}

---

项目提供了完整的开源工具链：

• 完整数据集: gxx27/BioTool
• 训练集: 5,632条（ShareGPT格式）
• 测试集: 1,408条（ShareGPT格式）
• 工具定义: 127个工具的JSON Schema定义
• 函数映射: 函数名到数据库/工具的映射表